Python轴承故障诊断 (21)基于VMD-CNN-BiTCN的创新诊断模型

建模先锋

于 2024-07-31 15:03:07 发布

阅读量412

点赞数 10

分类专栏：信号处理文章标签： python cnn 开发语言

本文链接：https://blog.csdn.net/qq_40949048/article/details/138395766

版权

信号处理专栏收录该内容

44 篇文章 90 订阅

订阅专栏

往期精彩内容：

Python-凯斯西储大学（CWRU）轴承数据解读与分类处理

Python轴承故障诊断入门教学-CSDN博客

Python轴承故障诊断 (13)基于故障信号特征提取的超强机器学习识别模型-CSDN博客

Python轴承故障诊断 (14)高创新故障识别模型-CSDN博客

Python轴承故障诊断 (15)基于CNN-Transformer的一维故障信号识别模型-CSDN博客

轴承故障全家桶更新 | 基于时频图像的分类算法-CSDN博客

Python轴承故障诊断 (16)高创新故障识别模型（二）-CSDN博客

Python轴承故障诊断 (17)基于TCN-CNN并行的一维故障信号识别模型_pytorch使用tcn网络进行故障诊断 csdn-CSDN博客

独家原创 | SCI 1区高创新轴承故障诊断模型！-CSDN博客

Python轴承故障诊断 (18)基于CNN-TCN-Attention的创新诊断模型-CSDN博客

Python轴承故障诊断 (20)高创新故障识别模型（三）-CSDN博客

注意力魔改 | 超强轴承故障诊断模型！-CSDN博客

Python轴承故障诊断 (21)基于VMD-CNN-BiTCN的创新诊断模型-CSDN博客

基于k-NN + GCN的轴承故障诊断模型-CSDN博客

独家首发 | 基于 KAN、KAN卷积的轴承故障诊断模型-CSDN博客

故障诊断 | 创新模型更新：基于SSA-CNN-Transformer诊断模型-CSDN博客

注意：本模型继续加入 轴承故障诊断—创新模型全家桶 中，之前购买的同学请及时更新下载!

环境：python 3.9 pytorch 1.8 以上

分类精度：训练集、验证集、测试集均为98%

全网最低价，创新网络分类效果显著，模型能够充分提取轴承故障信号的空间和时序特征和频域特征，收敛速度快，性能优越, 精度高。创新度也有！！！高性价比、高质量代码，大家可以了解一下：（所有全家桶模型会不断加入新的模型进行更新！后续会逐渐提高价格，越早购买性价比越高！！！）

基于VMD-CNN-BiTCN的轴承故障诊断创新模型：

1.创新点：

利用VMD将原始信号分解为多个模态分量，来提取信号的频域特征和时域特征；CNN 可以用于提取信号的局部空间特征并通过CNN卷积池化层降低信号序列长度，增加数据维度；BiTCN 是一种双向时序卷积网络，可以有效地捕获信号的时序信息。双向结构有助于模型捕获信号的动态特征；

2. 原理流程：

首先，使用 VMD 对原始轴承信号进行分解，得到多个模态分量；每个模态分量作为输入，经过 CNN 进行特征提取和抽象；CNN 提取的特征再经过 BiTCN 进行时序建模和特征融合；最终，利用融合后的特征进行轴承故障的诊断和分类；通过结合两种模型，创新模型可以在轴承故障诊断任务中取得更好的性能和效果，提高故障诊断的准确率和效率。

前言

本文基于凯斯西储大学（CWRU）轴承数据，先经过数据预处理进行数据集的制作和加载，最后通过Pytorch实现VMD-CNN-BiTCN模型对故障数据的分类。凯斯西储大学轴承数据的详细介绍可以参考下文：

Python-凯斯西储大学（CWRU）轴承数据解读与分类处理_cwru数据集-CSDN博客

1 轴承数据加载与预处理

1.1 导入数据

参考之前的文章，进行故障10分类的预处理，凯斯西储大学轴承数据10分类数据集：

train_set、val_set、test_set 均为按照7：2：1划分训练集、验证集、测试集，最后保存数据

上图是数据的读取形式以及预处理思路

1.2 故障VMD分解可视化

第一步，模态选取

根据不同K值条件下，观察中心频率，选定K值；从K=4开始出现中心频率相近的模态，出现过分解，故模态数 K 选为4。

第二步，故障VMD分解可视化

1.3 故障数据的VMD分解预处理

2 基于Pytorch的VMD-CNN-BiTCN创新诊断模型

2.1 定义VMD-CNN-BiTCN分类网络模型

2.2 设置参数，训练模型

100个epoch，准确率98%，VMD-CNN-BiTCN网络分类效果显著，CNN-BiTCN模型能够充分提取轴承故障信号的多尺度特征，收敛速度快，性能特别优越，效果明显。

注意调整参数：

可以适当增加CNN层数和每层维度数，微调学习率；
微调BiTCN层数和每层通道数个数，增加更多的 epoch （注意防止过拟合）
可以改变一维信号堆叠的形状（设置合适的长度和维度）

2.3 模型评估

准确率、精确率、召回率、F1 Score

故障十分类混淆矩阵：

代码、数据如下：

对数据集和代码感兴趣的，可以关注最后一行

# 加载数据
import torch
from joblib import dump, load
import torch.utils.data as Data
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
# 参数与配置
torch.manual_seed(100)  # 设置随机种子，以使实验结果具有可重复性
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 
#代码和数据集：https://mbd.pub/o/bread/ZpWWlZpy